论文：多轮智能体自蒸馏不如纯强化学习
原文标题：From Self-Distillation to Self-Practice: Privileged Information for Multi-Turn Agents
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文指出同策略自蒸馏（OPSD）在多轮智能体中会让模型表现得像拥有从未观察到的特权信息，性能甚至可能低于未训练基座。作者提出Privileged Self-Practice（PSP），把特权信息从损失函数移到采样器：当任务rollout大多失败时，注入分析模型撰写的任务指令重新采样，再用原GRPO目标训练。在AppWorld与SWE-bench Verified上，PSP是唯一稳定超越纯GRPO的方法，任务完成率最高提升65%。
- 问题
- 多轮智能体的同策略自蒸馏让模型假装拥有从未观察到的特权信息，性能甚至低于基座。
- 方法
- 把特权信息从损失移到采样器：任务rollout大多失败时注入分析模型写的任务指令重新采样，再用原GRPO目标训练。
- 结果
- 在AppWorld与SWE-bench Verified上，三种学生模型均取得最佳平均分，是唯一稳定超越纯GRPO的方法，任务完成率最高提升65%，SWE-bench解决率最高提升61%。
- 影响
- 做智能体后训练的团队应重新审视OPSD，改用PSP这类把特权信息留在提示而非损失的做法。
深读 · 结论先行AI 生成展开看要点与影响 ↓
论文：多轮智能体自蒸馏不如纯RL，PSP在AppWorld任务完成率最高提升65%
- •同策略自蒸馏让多轮智能体表现得像拥有从未观察到的特权信息
- •最差情况下性能低于未训练基座模型
- •PSP把特权信息从损失函数移到采样器：任务rollout多失败时注入分析模型撰写的指令重采样
- •训练仍用原GRPO目标，特权信息只留在prompt中，不进入损失
- •AppWorld与SWE-bench Verified上，三种学生模型均取得最佳平均分，是唯一稳定超越纯GRPO的方法
为什么重要：对做智能体后训练的团队，OPSD这一流行配方在多轮场景可能有害，PSP提供了不改变损失函数的替代路径。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。